Die rasante Entwicklung der tiefen Lernverfahren, einer Familie von maschinellen Lernmethoden, hat großes Interesse an deren Anwendung bei medizinischen Bildgebungsaufgaben geweckt. In dieser Arbeit entwickeln wir einen tiefen Lernalgorithmus, der die Erkennung von Brustkrebs in Screening-Mammogrammen mit einem „End-to-End“-Trainingsansatz präzise ermöglicht und dabei Trainingsdatensätze effizient nutzt, die entweder vollständige klinische Annotationen oder lediglich die Krebsdiagnose (Label) für das gesamte Bild enthalten. Bei diesem Ansatz sind Lesionenannotationen nur in der initialen Trainingsphase erforderlich; in nachfolgenden Stufen werden lediglich Bild-Level-Labels benötigt, wodurch die Abhängigkeit von selten verfügbaren Lesionenannotationen entfällt. Unsere Methode basierend auf einem vollständig konvolutionellen Netzwerk erzielt im Vergleich zu früheren Ansätzen hervorragende Leistung. Auf einer unabhängigen Testmenge digitalisierter Film-Mammogramme aus der Digital Database for Screening Mammography (DDSM) erreichte das beste Einzelmodell eine pro-Bild-AUC von 0,88, während die Durchschnittswertbildung über vier Modelle die AUC auf 0,91 erhöhte (Sensitivität: 86,1 %; Spezifität: 80,1 %). Auf einer Validierungsdatenmenge von Vollfeld-Digitalmammogrammen (FFDM) aus der INbreast-Datenbank erreichte das beste Einzelmodell eine pro-Bild-AUC von 0,95, und die Mittelung von vier Modellen verbesserte die AUC auf 0,98 (Sensitivität: 86,7 %; Spezifität: 96,1 %). Zudem zeigen wir, dass ein auf Basis unseres End-to-End-Ansatzes an digitalisierten Film-Mammogrammen aus der DDSM trainiertes Bildklassifikatormodell erfolgreich auf FFDM-Bilder aus der INbreast-Datenbank übertragen werden kann, wobei lediglich ein Teil der INbreast-Daten für eine Feinabstimmung (fine-tuning) genutzt wird und keine zusätzliche Verfügbarkeit von Lesionenannotationen mehr erforderlich ist. Diese Ergebnisse belegen, dass automatisierte tiefen Lernverfahren problemlos auf heterogene Mammographieplattformen trainiert werden können, um hohe Genauigkeit zu erreichen, und ein enormes Potenzial besitzen, klinische Werkzeuge zu verbessern, um Falsch-positiv- und Falsch-negativ-Ergebnisse bei der Mammographie-Screening zu reduzieren.